Derin Öğrenme ile Fenoloji Tanıma: DerinFeno
Phenology Recognition using Deep Learning: DeepPheno
Hulya Yalcin
Görsel Zeka Laboratuvarı, İstanbul Teknik Üniversitesi
hulyayalcin@itu.edu.tr
Özetçe — Yüksek doğrulukla, otomatik ve gerçek zamanlı
bitki fenotipi çıkarmak, modern tarım teknolojileri ve ürün
izlemenin önemli bir parçası haline gelmiştir. Çevresel
koşullar bir bitkinin büyümesini büyük ölçüde etkilediğinden,
fenolojinin doğru şekilde izlenmesi, mahsul üretimini
hızlandırmak için kullanılabilecek pek çok bilgi sağlayabilir.
Bu bildiride, akıllı tarım istasyonlarına monte edilen
kameralar tarafından her yarım saatte bir toplanan görsel
verileri kullanarak, tarımsal bitki türlerinin fenolojik
aşamalarını tanımak ve sınıflandırmak için derin öğrenme
mimarisi kullanmayı hedeflemektedir. Görüntülerdeki
öznitelikleri çıkarmak için önceden eğitilmiş Evrişimsel Sinir
Ağı mimarisi (CNN) kullanılmaktadır. Yaklaşımın
performansını değerlendirmek üzere, CNN modeli ile elde
edilen sonuçlar, elle hazırlanmış öznitelik tanımlayıcıları
kullanılarak elde edilen sonuçlarla karşılaştırılmaktadır.
Deneysel sonuçlar, CNN mimarisinin, elle hazırlanmış
özniteliklere dayanan yapay zeka algoritmalarına göre daha
iyi sonuçlar verdiğini göstermektedir.
Anahtar Kelimeler — Hassas tarım, fenoloji tanıma,
evrişimsel sinir ağları, derin öğrenme, yapay görme.
Abstract — Accurate and autonomous real time plant
phenotyping is an essential part of modern crop monitoring
and agricultural technologies. Since environmental conditions
highly affect a plant’s growth, accurate monitoring of
phenology can a lot of information that can be used for
accelerating crop production. In this paper, a deep learning
architecture is utilized to recognize and classify phenological
stages of several types of plants. The visual data for plants are
captured every half an hour by cameras mounted on the
ground agro-stations. We employ a pre-trained Convolutional
Neural Network architecture (CNN) to automatically extract
the features of images. The results obtained through CNN
model are compared with those obtained by employing hand
crafted feature descriptors. Experimental results indicate that
CNN architecture outperforms the machine learning
algorithms based on hand crafted features.
Keywords — precision agriculture, phenology recognition,
convolutional neural networks, deep learning, computer vision.
I. GİRİŞ
Çiftçiler, hükümetler ve araştırmacılar nezdinde, hassas
tarımda, tarımsal kaynakların optimal yönetimi için önemli
araçlardan biri bitki fenolojisindeki aşamaların
saptanmasıdır. Çiftçiler için, ekin koşulları hakkında yüksek
doğruluklu bilgilere sahip olmak, belirli fenolojik aşamalara
göre çiftçilik uygulamalarını planlamak için fayda
978-1-5386-1501-0/18/$31.00 ©2018 IEEE
sağlamaktadır [1]. Hükümetler, çiftçilere verilen teşviklerin
doğru kullanılıp kullanılmadığını tespit etmek için ürün tipi
haritalama kullanmaktadır. Ayrıca fenolojik veriler, ulusal
meteorolojik merkezlerde yapılan birçok iklim değişikliği
araştırma projeleri için önemlidir [2].
Yıllar içerisinde, birçok ülke ulusal tarım izleme ağ
sistemleri kurma girişiminde bulunmuştur [3]. Bu sistemler
ile toplanan tarımsal veriler, hassas tarımı geliştirmek için
biriktirilmektedir. Bu verilerden fenolojik bilginin
çıkarılması önemli bir problem olmasına rağmen,
günümüzde oldukça fazla elle etiketleme gerektirmekte ve
işçilik maliyetinin büyük bir kısmını oluşturmaktadır. Buna
rağmen, elle uygulanan tekniklerin doğruluğu, çalışmada
yer alan gözlemcilerin, güvenilirliği garanti edilemeyen
gözlemsel beceri ve çabasına bağlıdır. Son zamanlarda, bitki
izleme sürecini otomatikleştirmek için görüntü işleme
teknikleri kullanılmaya başlamıştır [4] - [6].
Bitki fenolojisi konusunda yapılan çalışmalara
bakıldığında, çoğunlukla renksel özniteliklere dayalı
yaklaşımların fenoloji izlenmesi için kullanıldığı
görülmektedir [6]. Yalnızca renksel analize dayanan
yöntemler, aydınlatma değişikliği, kamera titremesi ve diğer
beklenmedik değişiklikler, bitki fenolojisinin tutarsız
tahminine yol açtığından güvenilir değildir. Renksel
özniteliklerin yanısıra, sinyal işleme/filtreleme tekniklerini
kullanan çeşitli doku tabanlı öznitelik çıkarma yöntemleri
de bulunmaktadır [7] - [8].
Son zamanlarda araştırmacılar, renksel ve dokusal
özniteliklere dayanan geleneksel tanıma yaklaşımlarından
daha iyi performans gösteren derin öğrenme yöntemlerine
yönelmektedir. Tipik bir tanıma sistemi, ham veri toplama
işleminden sonra, ön işleme, öznitelik çıkarma ve
sınıflandırma gibi aşamalardan oluşurken, derin öğrenme
bazlı yaklaşımlar, öznitelik çıkarma adımını da derin
öğrenme algoritmasına dahil ederek otomatikleştirmektedir
[9]. Derin Sinir Ağlarının (DNN) en büyük avantajlarından
biri, veriler arasındaki karmaşık ilişkileri ifade etmeye
yarayan öznitelikleri kendi çıkarabilme becerisidir [10].
CNN modelleri, yapay sinir ağlarının bir derin öğrenme
uzantısıdır. Bunlar, birden fazla evrişim, havuzlama, ReLU
ve tam bağlı katman içeren Çoklu Katman
Algılayıcılarından (MLP) oluşur. Genel olarak, ilk
katmanlarda hesaplanan öznitelik haritaları, evrişimsel
katmanlarda öğrenilebilir ağırlıklarla birleştirilir ve çıkış
öznitelik haritalarını oluşturmak için aktivasyon
fonksiyonlarına beslenirler. Her bir çıkış haritası
konvolüsyonu çoklu giriş öznitelik haritalarını sonuçlarla karşılaştırılmaktadır. TARBIL projesi ile
birleştirmektedir. Genellikle hızı arttırmak üzere boyut toplanan veri setinde üzerinde test edilen yaklaşımın
düşürmek için evrişim katmanları havuz katmanlarına performansı, evrişimsel ağların bitki fenolojisi tespitindeki
beslenir. CNN modeli, geri yayılım mekanizması başarımın iyileştirilmesi için oldukça umut vaat ettiğini
aracılığıyla her katmandaki filtreleri öğrenir ve optimize göstermektedir.
eder. Bu eğitilmiş ve öğrenilmiş filtreler, tanınmaya
çalışılan görüntüleri ayrıştırabilecek öznitelikler çıkarır.
İlk örnekleri 90'lı yıllarda çıkmış olsa da, CNN’lerin
geliştirilmesi ve uygulanması yakın zamanda hızlanmıştır.
İlk CNN örneklerinden biri olan LeNet [11], el yazısı
rakamları tanımada diğer sınıflandırma algoritmalarından
Şekil 1 CNN mimarilerinin kullanımını gösteren diyagram.
daha iyi performans göstermiştir [12]. Bundan yaklaşık 15
yıl sonra, A. Krizhevsky ve ekibinin AlexNet isimli derin TABLO 1. ALEXNET ÖNCEDEN EĞITILMIŞ MIMARISI.
evrişimsel ağlarını [13], ImageNet veriseti [14] üzerinde
kullanarak, kendisinden sonra gelen en başarılı yaklaşımdan Katman Boyutlar Çıktı†
Input - 227×227×3
%5 oranında daha iyi başarım elde etmesiyle, evrişimsel
Conv 1 11×11×3 55×55×96
ağlar ve derin öğrenme birçok veri işleme görevinde en Relu 1 - 55×55×96
gelişmiş yöntem haline gelmiştir. Norm 1 - 55×55×96
Pool 1 2×2×96 27×27 ×96
Derin öğrenmedeki mevcut eğilimler, ya bir CNN Conv 2 5×5×48 27×27×256
mimarisini sıfırdan eğitmek yada önceden eğitilmiş bir Relu 2 - 27×27×256
Norm 2 - 27×27×256
CNN mimarisini ince ayar yapmaktır. Bir CNN'i sıfırdan Pool 2 2×2×256 13×13×256
eğitmek, çok miktarda eğitim verisi ve mimari oluşturma Conv 3 3×3×384 13×13×384
konusunda uzman bilgisi gerektirdiğinden, birçok Relu 3 - 13×13×384
araştırmacı, önceden eğitilmiş CNN mimarilerine ince ayar Conv 4 3×3×192 13×13×384
Relu 4 - 13×13×384
yapmayı tercih etmektedir. Farklı araştırma grupları Conv 5 3×3×192 13×13×256
tarafından geliştirilmiş çok sayıda önceden eğitilmiş CNN Relu 5 - 13×13×256
mimarisi bulunmaktadır: AlexNet, VGG_Net, GoogleNet Pool 5 2×2×256 6×6×256
Fc 1 †† 6×6×4096 1×1×4096
vb. [15]. Önceden eğitilmiş CNN mimarilerinin Relu 6 - 1×1×4096
performansı, eğitim için kullanılan veri kümesine ve bu Fc 2 1×1×4096 1×1×4096
mimarileri oluşturan kişilerin amacına bağlı olarak Relu 7 - 1×1×4096
değişmektedir. Örneğin, AlexNet özellikle nesne tanıma Fc 3 1×1×4096 1×1×1000
Softmax - 1×1×1000
problemi düşünülerek oluşturulmuştur. Araştırmacılar † : genişlik×yükseklik×renk kanalı sayısı (yada # öznitelik sayısı)
transfer öğrenme olarak bilinen yöntemle, daha önce büyük †† : Tam bağlantılı katman
veri setleri üzerinde eğitilmiş modelleri kullanarak elde
edilen ağırlıkları ve mimariyi doğrudan kendi problemi II. ÖNERİLEN YÖNTEM
üzerindeki öğrenme için uygulayabilir. Birçok önceden Bu bildiride, bitkilerin farklı fenolojik aşamalarını
eğitilmiş mimari, farklı derin öğrenme kütüphanelerinde sınıflandırmak için önceden eğitilmiş bir CNN modeli
mevcuttur. ImageNet veri seti, iyi bir genelleştirilmiş model olarak AlexNet kullanılmaktadır. Bu bölümde öncelikle
oluşturmak için yeterince büyük olduğu için, sıfırdan CNN modelinin mimarisi açıklanmakta ve sonrada CNN
mimari oluşturmak için yaygın bir şekilde kullanılmaktadır. modelinin farklı fenolojik aşamaları tanımada nasıl
Transfer öğrenmesi mantığından ötürü, eğitilmiş ağlar, kullanıldığı anlatılmaktadır. CNN modelinin katmanları
ImageNet veri setinin dışındaki görüntülere genelleme Tablo 1'de gösterilmektedir. Araştırmacılar, önceden
yapma konusunda oldukça başarılıdır. İnce ayarlama ile, eğitilmiş mimarilerin yeni bir veri kümesi üzerinde nasıl
önceden eğitilmiş mimarilerde modifikasyon yapılır. kullanılacağı konusunda karar vermek için Şekil 1'deki
Önceden eğitilmiş ağlar çok iyi eğitildiğinden ağırlıkları diyagramı kullanmaktadır. Sıfırdan mimari eğitmek için
fazla değiştirmek gerekmez. Araştırmacılar değişiklik fenolojik verilerimizin miktarı az olduğu için ve fenolojik
yaparken, genellikle modeli başlangıçta eğitmek için görüntüler ImageNet'teki nesne sınıflarına pek benzemediği
kullanılandan daha küçük bir öğrenme hızı kullanır. için, önceden eğitilmiş CNN modelinin alt katmanlarına
Evrişimsel sinir ağları, daha önce bitki sınıflandırması için ince ayar yapılmasına karar verilmiştir. İnce ayar için,
kullanılmıştır [16], fakat fenoloji tanımaya yönelik derin önceden eğitilmiş modelin ilk k katmanı dondurularak,
öğrenmeyi kullanan hiçbir çalışma mevcut değildir. sadece kalan (n-k) katmanı eğitilmektedir. Üst katmanlar
Bu bildiride, bitkilerin fenolojik evrelerini tanımak için daha sonra yeni veri setine göre uyarlanmaktadır. İlk turda,
önceden eğitilmiş bir CNN mimarisi kullanılmaktadır. Katman1-Katman4 dondurulmakta ve sadece Katman5
Burada önerilen yaklaşımın performansını değerlendirmek uyarlanmaktadır. İkinci turda, eğitime Katman4 de dahil
için, CNN modeli kullanılarak elde edilen sonuçlar, elle edilmektedir. Üçüncü tur eğitimde Katman3 eklenmektedir.
hazırlanmış öznitelik tanımlayıcıları kullanılarak elde edilen Benzer şekilde eğitim önceki katmanlara sızdırılmaktadır.
 Şekil 2 Buğday, arpa, mercimek, pamuk, biber, mısır (sırasıyla satır 1 - satır 6) bitkilerinin farklı büyüme aşamaları.
Fenolojik veri kümesi ImageNet ile düşük benzerliğe sahip
olduğundan, yeni veri kümesine göre üst katmanları yeniden
eğitmek ve uyarlamak önemlidir. Veri kümesinin küçük
boyutu, ilk katmanların önceden eğitilmiş haliyle tutulması
ve bu katmanlar için ağırlıkların dondurulması ile telafi
edilir. Son kat hariç tüm katmanların öğrenme oranları, son
katmanı eğitmek için kullanılanın 0.1 katına ayarlanır.
III. DENEYSEL DEĞERLENDİRME
Deneyler, üzerine pekçok sensör yerleştirilen tarımsal akıllı
istasyonlara monte edilmiş kameralardan toplanan bitki
görüntüleri üzerinde yürütülmüştür. Dünya genelinde ulusal
tarım izleme ağ sistemleri kuran pek çok ülke gibi,
Türkiye’de de Tarımsal İzleme ve Bilgi Sistemleri
(TARBIL) projesi aracılığıyla bir tarımsal izleme ve bilgi
sistemi kurulmuştur. Her türlü sensörle donatılmış bu
istasyonlar aracılığıyla toplanan veriler, çevrimiçi bir
depolama sunucusunda ve hızlı fiber ile ağ altyapısında
biriktirilmektedir. Toplanan görüntüler, bir tarım alanının
belirli alanlarının yakın plan çekimlerinden oluşmaktadır.
Her yarım saatte bir bitki görüntüleri alınmaktadır. Bu
bildiride, Şekil 2’de görüldüğü gibi buğday, arpa,
mercimek, pamuk, biber, mısır bitkileri kullanılmıştır.
Şekilde görülebileceği gibi, değişen aydınlatma koşullarının
istenmeyen etkileri gibi, tarım bitkilerinin büyüme
aşamalarında birçok mevsimsel değişiklik ortaya
çıkmaktadır ve bu durum bitki görüntülerini sınıflandırmayı
zorlaştırmaktadır. Bitkiler büyüme aşamalarında farklı
görünüşe sahip olmakla birlikte, görünüşler çok yavaş bir
şekilde değişmekte ve art arda iki aşamanın ortasında olan
büyüme sürecine giren görüntüleri ayırmak zordur. Buna ek
olarak, farklı sınıflardan bitkiler benzer renk ve doku
dağılımına sahip olabilmektedir.
TARBIL veri kümesindeki altı bitki sınıfını kullanarak
Evrişimsel Sinir Ağına ince ayar yapılmıştır. Her bitki türü
için yaklaşık 400 örnek vardı. Bunlardan 280'i eğitim amaçlı
ve 120'si test amaçlı kullanılmıştır. Her büyüme aşamasında
yaklaşık 30 örnek görüntü bulunmaktadır. Eğitim verilerini
arttırmak için, her görüntü daha da büyük yamalara
bölünmekte ve her yama için öznitelikler çıkarılmaktadır.
Görüntülerin orijinal boyutları 2288 x 1712 pikseldir.
Eğitim verilerinin arttırılması ve AlexNet’e uygun giriş
boyutuna indirgemek için orijinal görüntülerden 227 x 227
boyutlu yamalar oluşturulmuştur. Deneyler, Matlab 2016a
ve Windows 7 Pro 64-bit işletim sistemi ortamında, Intel
Xeon E5-1607, 16GB RAM, Nvidia Quadro K600 donanım
özellikleri olan bir bilgisayarda gerçekleştirilmiştir. Derin
öğrenme bazlı yaklaşımımızın performansını ve
verimliliğini değerlendirmek için elle çıkarılan özniteliklere
dayalı klasik makine öğrenme yaklaşımları da denenmiştir.
GLCM özellikleri ve HOG özelliklerine dayanan dokusal
öznitelikler çıkarılmış ve birleştirilen öznitelikler, Naïve-
Bayes sınıflandırıcısından oluşan bir makine öğrenme
algoritmasına beslenmiştir. Performans ölçütleri olarak,
hassasiyet, çağırma, F1-ölçüsü ve doğruluk kullanılmıştır.
Aşağıda formülleri verilen ölçümlerde TP, TN, FP, FN
sırasıyla gerçek pozitif, gerçek negatif, yanlış pozitif ve
yanlış negatif tahminleri temsil etmektedir.
Tablo 2'de, CNN tabanlı yaklaşımın sınıflandırma
performansı, elle çıkarılan özniteliklere dayalı makine
öğrenme yaklaşımı ile elde edilen sonuçlarla
karşılaştırılmaktadır. Elle çıkarılan özniteliklere dayalı
olarak elde edilen doğruluk oranları yüzde 68.97 ile 82.41
arasında değişmektedir. Tablodan görüldüğü gibi, CNN
modelinden öğrenilen öznitelikler, elle çıkarılan
özniteliklere dayanan çözümden daha iyi performans
göstermektedir. Farklı bitkiler için doğruluk oranları öğrenme öğrenme algoritmasının uygulanabileceği,
incelendiğinde, küçük doku örüntüsüne sahip bitkiler (arpa, verisetinin boyutuna da bağlıdır. CNN mimarileri çok
buğday ve mercimek) için doğruluk oranlarının genel olarak büyük miktarda veri gerektirdiğinden, bir CNN mimarisini
düşük olduğu gözlemlenmiştir. Düşük performans oranları sıfırdan eğitmek yerine, eldeki veriseti ile önceden eğitilmiş
muhtemelen önceden eğitilmiş CNN mimarisi olan bir CNN mimarisine ince ayar da yapılabilir. Bu bildiri de
AlexNet'in orijinal olarak nesne tanıma için tasarlanmış önceden eğitilmiş CNN modeli AlexNet kullanılmıştır.
olmasından kaynaklanmaktadır. Doğruluk oranları, büyük Fenolojik aşamaları sınıflandırmak için yapmayı
doku örüntüsüne sahip bitkiler (pamuk, biber, mısır) için planladığımız birçok araştırma bulunmaktadır. Sonraki
daha yüksektir. AlexNet'in bunlar üzerinde nispeten daha çalışmalarda, bitkilerin fenolojik aşamalarını sınıflandırmak
yüksek performans göstermesi, muhtemelen bu bitkilerin için sıfırdan eğitilmiş bir CNN mimarisini oluşturmak ve
doku özelliklerini karakterize etmekte daha iyi bir diğer önceden eğitilmiş CNN modellerini denemek
performansa sahip olduğunu göstermektedir. Mevcut CNN hedeflenmektedir.
ayarları ve veriler ile, mimarimiz, özellikle bitkilerin erken
fenolojik evrelerini sınıflandırırken görece daha zayıf bir TEŞEKKÜR
performans göstermiştir. Bitkilerin erken büyüme Bu çalışma ile ilgili veriler İstanbul Teknik Üniversitesi Tarım-Bilişim
aşamalarında, verilerde daha fazla toprak görüntüsü olduğu Araştırmaları Merkezi (TARBIL) tarafından sağlanmıştır. Bu çalışma,
İstanbul Teknik Üniversitesi Bilimsel Araştırma Fonu (39412 no'lu proje),
görülmektedir. Bu zayıf performansın nedeni, ekilmiş bitki Gıda Tarım ve Hayvancılık Bakanlığı ve ITU TARBIL Araştırma Fonu
ne olursa olsun ilk aşamalarda görülen toprağın (proje # 2012A020130) ile finanse edilmektedir.
özniteliklerinin benzer olmasıdır. Olgun fenolojik
aşamalarda ise, her bir bitkinin diğer bitkilerle KAYNAKÇA
karşılaştırıldığında çok ayırt edici öznitelikleri olduğundan, [1] Richardson, A., Keenan, T., Migliavacca, M., Sonnentag, O., Toomey, M.,
CNN mimarisi beklendiği gibi bu aşamalarda daha iyi "Climate change, phenology, and phenological control of vegetation feedbacks to the
climate system," Agricultural & Forest Meteorology, 169:156-173, 2013.
performans göstermektedir.
[2] Cleland, E.E.; Chuine, I.; Menzel, A.; Mooney, H.A.; Schwartz, M.D. Shifting
TABLO 2. CNN BAZLI YAKLAŞIMIN (CNN-BY) ELLE ÇIKARILAN plant phenology in response to global change. Trends Ecol. Evol., 22, 357–365, 2007.
ÖZNITELIKLERE DAYALI YAKLAŞIMLA (MEF-BY) KARŞILAŞTIRILMASI.
[3] Srbinovska, M., Gavrovski, C., Dimcev, V., Krkoleva, A., Borozan, V.,
Veri Yaklaşım Hassasiyet Çağırma F1-ölçüsü Doğruluk "Environmental parameters monitoring in precision agriculture using wireless sensor
(%) (%) (%) (%)
networks," Journal of Cleaner Production, 88:297-307, 2015.
Buğday MEF-BY 75.51 74.53 74.57 74.53 [4] H. Yalcin, "Phenology Monitoring Of Agricultural Plants Using Texture
Arpa MEF-BY 72.21 71.68 72.21 71.43 Analysis," Fourth International Conference on Agro-Geoinformatics, Istanbul, 2015.
Mercimek MEF-BY 69.42 68.83 69.31 68.97 [5] H. Yalcin, "Plant Phenology Recognition using Deep Learning: Deep-Pheno,"
Pamuk MEF-BY 81.74 80.72 80.66 80.89
Sixth International Conference on Agro-Geoinformatics, Fairfax, VA, 2017.
Biber MEF-BY 83.44 82.52 82.26 82.41
Mısır MEF-BY 82.71 81.73 81.62 81.86 [6] A. Vibhute and S. Bodhe, "Applications of image processing in agriculture: a
Buğday CNN-BY 82.62 83.64 83.68 83.64 survey," International Journal of Computer Applications, vol. 52, 2012.
Arpa CNN-BY 79.32 77.34 78.43 77.15 [7] Huazhong Shu, Limin Luo, Jean Louis Coatrieux, “Moment-based
Mercimek CNN-BY 74.21 73.62 74.17 73.76 Approaches in Image. Part 1: basic features”, IEEE Trans. Engineering in Medicine
Pamuk CNN-BY 87.32 86.14 86.58 86.54 and Biology Magazine, 26(5):70-74, 2007.
Biber CNN-BY 88.12 87.24 87.28 87.14
Mısır CNN-BY 87.32 86.14 86.58 86.54 [8] Liao.S, Law.M.W.K, Chung.A.C.S, “Dominant Local Binary Patterns for
Texture Classification,” IEEE TIP, 18(5):1107-1118, 2009.
IV. SONUÇLAR [9] Panagiotis Kasnesis, Charalampos Z. Patrikakis, Iakovos S. Venieris,
“Changing the Game of Mobile Data Analysis with Deep Learning,” IEEE ITPro
Bu bildiride, bitki türlerinin fenolojik evrelerinin Magazine, 2017.
sınıflandırılması için evrişimsel sinir ağına dayalı bir [10] P. Vincent, H. Larochelle Y. Bengio and P.A. Manzagol, “Extracting and
yaklaşım kullanılmıştır. CNN mimarimiz on altı bitki Composing Robust Features with Denoising Autoencoders,” in Proceedings of the
çeşidinin farklı fenolojik evrelerini sınıflandırabilmektedir. Twenty-fifth International Conference on Machine Learning (ICML‘08), pp. 1096-
1103, ACM, 2008.
Derin öğrenme tabanlı yöntemimizin performansını ve
verimliliğini karşılaştırmak için elle çıkarılan özniteliklere [11] Y. LeCun, L. Bottou, Y. Bengio and P. Haffner, “Gradient-Based Learning
Applied to Document Recognition,” in Proceedings of the IEEE, pp. 2278-2324,
dayalı klasik bir makine öğrenme yaklaşımı da November 1998.
uygulanmaktadır. GLCM ve HOG özniteliklerine dayanan [12] http://yann.lecun.com/exdb/mnist/, the MNIST database of handwritten digits,
dokusal öznitelikler çıkarıldıktan sonra birleştirilerek last accessed 01/02/2018.
Naïve-Bayes sınıflandırıcısından oluşan bir makine [13] A. Krizhevsky, I. Sutskever , G. E. Hinton, “ImageNet Classification with
öğrenme algoritmasına beslenmiştir. Elle çıkarılan Deep Convolutional Neural Networks,” Advances in Neural Information Processing
özniteliklere dayalı yaklaşımın sınıflandırma başarısı CNN Systems, 2012.
tabanlı yaklaşımımızla karşılaştırılmıştır. Algoritmalar [14] The ImageNet database, http://image-net.org/, last accessed 01/02/2018.
doğal dış aydınlatma koşullarında elde edilen tarımsal [15] Srinivas S, Sarvadevabhatla RK, Mopuri K, Prabhu N, Kruthiventi S and Babu
görüntüler üzerinde test edilmiştir. Veriler ITU Tarım R, “A Taxonomy of Deep Convolutional Neural Nets for Computer Vision”,
Frontiers in Robotics and AI, (2):36, 2016.
Bilişim Araştırmaları Merkezi tarafından sağlanmaktadır.
Deneysel sonuçlar, CNN tabanlı yaklaşımın, üzerinde deney [16] N. Sünderhauf, C. McCool, B. Upcroft, and T. Perez, "Fine-Grained Plant
Classification Using Convolutional Neural Networks for Feature Extraction," in
yaptığımız altı çeşit bitki üzerinde çok daha başarılı sonuçlar CLEF (Working Notes), 2014, pp. 756-762.
verdiğini göstermektedir. Bir verisetine, hangi derin